Hog特征描述子作为深度学习之前比较火的人工特征描述子，往往和svm结合应用于行人检测等分类领域，在机器学习中仍具有比较好的应用。
具体在opencv使用步骤如下：
- Hog特征的数据集与标签数据集制作处理。
- 训练svm分类器
- 加载分类器进行预测
手写数字的识别是在很多领域常常遇见的情况，虽然简单但是不可或缺，也适合将整个处理过程进行统一学习。具体代码如下：
#include <iostream>
#include <fstream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/objdetect/objdetect.hpp>
#include <opencv2/ml/ml.hpp>
using namespace std;
using namespace cv;
using namespace cv::ml;
int main(){
//winsize(64,128),blocksize(16,16),blockstep(8,8),cellsize(8,8),bins9
//检测窗口(64,128),块尺寸(16,16),块步长(8,8),cell尺寸(8,8),直方图bin个数9
HOGDescriptor hog(Size(128, 128), Size(16, 16), Size(8, 8), Size(8, 8), 9);
//HOG检测器，用来计算HOG描述子的
int DescriptorDim;//HOG描述子的维数，由图片大小、检测窗口大小、块大小、细胞单元中直方图bin个数决定
Mat sampleFeatureMat;//所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数
Mat sampleLabelMat;//训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，-1表示无人
Ptr<SVM> svm = SVM::create();//SVM分类器
string ImgName;//图片名(绝对路径)
ifstream fin("Image/img.txt");//正样本图片的文件名列表
if (!fin)
{
cout << "Pos/Neg imglist reading failed..." << endl;
return -1;
}
for (int num = 0; num < 200 && getline(fin, ImgName); num++){
std::cout << "Now processing original positive image: " << ImgName << endl;
ImgName = "Image/" + ImgName;//加上正样本的路径名
Mat src = imread(ImgName);//读取图片
//if (CENTRAL_CROP)
// src = src(Rect(16, 16, 128, 128));//将96*160的INRIA正样本图片剪裁为64*128，即剪去上下左右各16个像素
vector<float> descriptors;//HOG描述子向量
hog.compute(src, descriptors, Size(8, 8));//计算HOG描述子，检测窗口移动步长(8,8)
//处理第一个样本时初始化特征向量矩阵和类别矩阵，因为只有知道了特征向量的维数才能初始化特征向量矩阵
if (0 == num)
{
DescriptorDim = descriptors.size();
//初始化所有训练样本的特征向量组成的矩阵，行数等于所有样本的个数，列数等于HOG描述子维数sampleFeatureMat
sampleFeatureMat = Mat::zeros(200, DescriptorDim, CV_32FC1);
//初始化训练样本的类别向量，行数等于所有样本的个数，列数等于1；1表示有人，0表示无人
sampleLabelMat = Mat::zeros(200, 1, CV_32SC1);//sampleLabelMat的数据类型必须为有符号整数型
}
//将计算好的HOG描述子复制到样本特征矩阵sampleFeatureMat
for (int i = 0; i<DescriptorDim; i++)
sampleFeatureMat.at<float>(num, i) = descriptors[i];//第num个样本的特征向量中的第i个元素
sampleLabelMat.at<int>(num, 0) = num / 20;//正样本类别为1，有人
}
fin.close();
//输出样本的HOG特征向量矩阵到文件
svm->setType(SVM::C_SVC);
svm->setC(0.01);
svm->setKernel(SVM::LINEAR);
svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 3000, 1e-6));
std::cout << "Starting training..." << endl;
svm->train(sampleFeatureMat, ROW_SAMPLE, sampleLabelMat);//训练分类器
std::cout << "Finishing training..." << endl;
//将训练好的SVM模型保存为xml文件
svm->SVM::save("SVM_HOG.xml");
//imshow("src", src);
waitKey();
return 0;
}
参考博客：https://blog.csdn.net/jellyfish0507/article/details/80510713?utm_source=blogxgwz3